面部表情识别属于模式识别领域的一种特殊且广泛的应用。面部表情存在时间尺度上的动态变化,所以结合表情纹理变化信息的动态表情识别具有重大意义。双流卷积神经网络是常用的动态表情识别模型,但其两条支路提取特征的过程相对独立,无法充分建立支路之间的联系,所以该模型仍有非常大的改进空间。近年来,不同形式的注意力机制被引入卷积神经网络中,可以赋予网络对特征非局部学习的能力,为图像分类等任务提供了一种新的思路。本文结合注意力机制实现双流卷积神经网络两条支路的信息交互,主要研究工作和成果如下:（1）针对某一尺度的特征图不能自发地学习与另一尺度特征图之间的动态关联信息的问题,提出了一种具有非局部操作的时空流间注意力机制。时空流间注意力单元可以使分别来自空域和时域尺度的两个特征图互相学习局部显著区域信息,从而捕捉空域和时域两个语义层次的动态关联信息,使特征更具鉴别性。（2）针对传统的双流卷积神经网络模型两条支路提取特征的过程缺乏信息交互的问题,将时空流间注意力单元引入双流卷积神经网络,进而提出了一种嵌入时空流间注意力的双流卷积神经网络模型。该模型建立了两条支路的动态联系,可以提高对表情分类的精确性和鲁棒性。本文分别以VGG-16和ResNet-50作为所提出模型的基准网络,通过在模型的不同位置嵌入若干个时空流间注意力单元,可以在网络的任意位置实现两个尺度特征的信息交互。（3）使用嵌入时空流间注意力的双流卷积神经网络模型对eNTERFACE和AFEW两个动态表情数据集的样本进行分类,验证了该模型在面部表情识别任务中的有效性。实验分为分析传统双流卷积神经网络模型的实验性能和分析嵌入时空流间注意力的双流卷积神经网络模型的实验性能两个部分。结果表明,在双流卷积神经网络中嵌入时空流间注意力单元可以提高模型对表情样本的分类准确率。其中,以ResNet-50为基准网络的嵌入时空流间注意力的双流卷积神经网络模型对eNTERFACE和AFEW数据集样本的分类准确率分别达到55.83%和54.57%,比传统双流卷积神经网络模型的准确率高3.33%和2.09%。（4）建立了一个新生儿疼痛动态面部表情数据集,其中的样本被标记为“平静”、“啼哭”、“中度疼痛”或“重度疼痛”四个类别。使用嵌入时空流间注意力的双流卷积神经网络模型对该数据集的样本进行了多组消融实验,其分类准确率高于其他常用的表情识别模型。其中,以ResNet-50为基准网络的嵌入时空流间注意力的双流卷积神经网络模型在基于四种类别的新生儿疼痛表情识别中取得66.20%的分类准确率。